PENGUKURAN (OBSERVASI)

KOMPONEN-KOMPONEN PENGUKURAN
Model Fungsi: v  Ax  w

Model Stokastik: P   0 C l1

Dimana P disebut dengan matrik bobot, Cl adalah matrik varian atau matrik
kovarian atau matrik varian/kovarian dari pengukuran, dan 0 adalah
kesalahan standar/standar deviasi/ketelitian (presisi). Cl adalah berdasarkan
pada komponen statistik (kesalahan random) dari pengukuran l (observasi)
yang diasumsikan bahwa variabel randomnya terdistribusi normal (kesalahan
randomnya terdistribusi normal) dengan ketelitian tertentu.
Akurasi: derajat keterdekatan suatu observasi (atau kuantitas turunan dari
observasi) terhadap nilai sebenarnya.
Presisi: derajat keterdekatan antara suatu pengukuran dengan pengukuran
lainnya (atau derajat keterdekatan terhadap nilai rata-rata).

Komponen-komponen dari kesalahan random dan variabel random dapat

dianalisa dengan menggunakan model probabilitas.
True error: e = l - t t = true value, e = ‘true’ error
a a
Residual: v = l - l l = adjusted value v = residual
Disini diasumsikan bahwa v terdistribusi menurut ‘multi variate normal
distribution’ dengan ekspektasi (mean):
Ev  0
elemen-elemen dari v diasumsikan tidak berkorelasi.
Variabel-variabel random ini menunjukkan:
 Tanda dari variabel (pos/neg)

1
 Besar variabel
 Perkiraan tanda untuk equal distribution: +ve & -ve
 Kecenderungan untuk mengikuti ‘NORMAL DISTRIBUTION’
Distribusi Normal
Kasus 1 dimensi:
  x   
 2

 2 
1   
e 
2
  f ( x) 
 2
 adalah rata-rata (mean)
 adalah standar deviasi
~
  Ex  x  dx = mean = 1
st
moment of the distribution
~

   
 2  E x  2  E x 2   2 = variance = 2nd moment of distribution

Probabilitas Pr [ x < c] = luasan yang diarsir dibawah kurva.

 S adalah titik belok kurva
  Ex adalah pengukuran cental tendency

adalah pengukuran penyebaran (dispersion)

Pr    x      0.6826  68% confidence, adalah total area
dibawah fungi densitas seperti pada gambar berikut:

2
 Pr  k  x    k  0.50 untuk k= 0.67
0.90 k=1.65
0.95 k=1.96
0.99 k=2.58

Didalam Geomatika, nilai k adalah faktor pengali standar deviasi (),

digunakan untuk mengukur ketelitian. Probabilitas suatu pengukuran biasanya
terletak antara  – k  dan  – k  adalah:
 x  2 
 k  dx
Pr  k  x    k 
1  2 2 
  2
e
 k
 P  k  Z  k   k    k   2k   1
Nilai untuk k  dapat dilihat di Mikhail pada Tabel I apendix B. Tabel
berikut menjelaskan hubungan antara nilai k, k  , dan
Pr  k  x    k

k k  Pr  k  x    k

0.674 0.7498 0.500

1.000 0.8413 0.683
1.645 0.9500 0.900
1.960 0.9750 0.950
2.000 0.9772 0.954
2.576 0.9950 0.990
3.000 0.9987 0.997

3
Sebagai contoh, probabilitas untuk nilai k = 0.647, 1.645, dan 1.960 disajikan
pada gambar berikut:

Besaran 0.674 disebut dengan “probable error”. Istilah ini didalam

Geomatika sering disebut dengan 50% uncertainty (tingkat kepercayaan atau
tingkat ketidakpastian). Besaran 1.645 disebut dengan 90% uncertainty.
Probabilitas bahwa pengukuran jatuh dalam selang 1.645 dari nilai rata-
ratanya  adalah 0.900. Hal yang sama, besaran 1.960 disebut dengan 95%
uncertainty, dan 2.576 disebut dengan 99% uncertainty.
Contoh:
Suatu pengukuran diasumsikan terdistribusi normal dengan nilai rata-rata
394.625m dan standar deviasi 0.023m. Evaluasi pengukuran tersebut pada
tingkat kepercayaan 90% dan 95%.
Solusi:
90% uncertainty = 1.645 (0.023) = 0.038m
95% uncertainty = 1.960 (0.023) = 0.045m
Arti dari pernyataan diatas adalah bahwa probabilitas (kemungkinan) 0.90
adalah bahwa pengukuran jatuh dalam rentang 0.038m untuk nilai 394.625m;
yaitu antara 394.587m dan 395.663m. Probabilitas 0.95 adalah bahwa
pengukuran jatuh dalam rentang 0.045m pada 394.625m; antara 394.580m
dan 394.670m.
Sekali lagi:
Presisi: derajat penyebaran dari distribusi;  kecil = ketelitian tinggi

4
Akurasi: derajat keterdekatan  terhadap nilai sebenarnya (true value); titik
belok = bias.

PENGKLASIFIKASIAN MODEL
Pengukuran (observasi) beserta estimasi ketelitiannya digunakan untuk
menentukan nilai estimasi parameter beserta perambatan kesalahan
pengukuran dan nilai awal:
l , Cl   x, C x 
dimana l adalah pengukuran, Cl adalah matrik varian/kovarian dari
pengukuran yang berisikan ketelitian (kuadrat standar deviasi) masing-masing
pengukuran beserta korelasinya. Sedangkan x adalah parameter yang dicari
dan Cx adalah matrik varian/kovarian dari parameter yang berisikan ketelitian
(kuadrat standar deviasi) masing-masing parameter beserta korelasinya,
dimana ketelitian parameter ini adalah rambatan dari ketelitian pengukuran.
Pengklasifikasian model-model linier (atau yang telah dilinierkan) dari n
observasi (pengukuran) dengan u unknown parameter dan m persamaan
pengamatan (observation equation) (m akan lebih kecil atau sama dengan n):
Unik (unique) - eksplisit didalam x, model Direct
Overdetermined (berpengamatan lebih) - Indirect: n > u ; Implicit: m > u
Underdetermined (tidak memiliki pengamatan lebih) - n < u , tidak
memiliki kecukupan pengukuran untuk dapat mendapatkan nilai parameter.

KONVERSI DARI BENTUK IMPLICIT KE EKSPLISIT

Bentuk Implicit: Ax  Bl  w  0
Atau: A  Bv  w  0
Jika kita memperlakukan l’ sebagai vektor dari quasi-observation sedemikian
sehingga l’ = -Bl, maka:
l'  A x  w
perhatikan bahwa matrik kovarians Cl tidak sesuai untuk quasi-observasi l’.

KONSEP RANK
Rank dari matrik A adalah dengan ordo m x n adalah urutan dari sub-matrik
yang non-singular yang terbesar yang dibentuk dari baris dan kolom matrik A.
Rank baris adalah jumlah baris independen dari A.
Rank kolom adalah jumlah kolom independen dari A
Full rank terjadi jika determinan matrik A tidak sama dengan nol
Rank (A) = n jika matrik A dengan order n adalah full rank.

5
Suatu matrik bujur sangkar dengan orde n dan full rank jika memiliki n buah
baris dan kolom independen.
Contoh:
 1 2 3
 
A   4 5 6 maka rank (A) = 2 {baris 3 = baris 1 + baris 2}
 5 7 9
 
Suatu matrik non-bujur sangkar akan memiliki rank yang lebih kecil atau sama
dengan orde (ordo) terkecilnya. Hubungan rank dengan model implicit dan
indirect adalah:
Menentukan jumlah kolom independen dari matrik desain A
Untuk A(n x u), dengan n >u, rank (A) akan  u.
Menentukan jumlah baris independen dari matrik desain B
Untuk B(m x n), dengan n > m, rank (B) akan  m

l1 x2
x1

l4 l2
l6 l5

l3 x3
x4
Contoh:
Dimana l adalah pengukuran beda tinggi, sedangkan x adalah tinggi titik.
Model indirect: v = A x - l
v 1   x1  x 2  l1
v2   x 2  x3  l2
v3   x3  x 4  l3
v 4  x1  x4  l4
v 5  x1  x3  l5
v6   x2  x4  l6
atau:

6
 v1  1 1 0 0  l1 
     
 v2   0 1 1 0   x1   l2 
v   0   l 
0 1 1  x 2 
 3      3
 v4   1 0 0  1  x3   l4 
v   1 0  1 0   x  l 
 5    4  5
v   0 1  l 
 6  1 1  6
Perhatikan bahwa matrikA adalah singular, sehingga tidak ada solusi untuk
parameter. Dalam kasus ini perhatikan pula bahwa:
Kolom 1 = - (kol.2 + kol. 3 + kol. 4) sehingga rank (A) = 3.
Karena persamaan disusun berdasarkan observasi/pengukuran maka jumlah
rank yang lebih kecil dari jumlah parameter menyebabkan tidak solusi untuk
parameter. Dengan kata lain dengan terdapatnya “rank defective” karena rank
(A) < 4 menyebabkan nilai-nilai parameter tidak dapat ditentukan.
Disini timbulnya rank defective karena ketiadaan informasi titik tinggi yang
dianggap fix (absolut), pengukuran beda tinggi saja tidak dapat menyelesaikan
(menentukan) tinggi suatu titik. Harus ada minimal satu titik tinggi yang
dianggap fix (xi = konstan), yang akan menghilangkan kolom pertama matrik
A dan mengurangi jumlah unknown parameter dari 4 menjadi 3.

SOLUSI UNIK UNTUK MODEL INDIRECT

Solusi baik untuk parameter yang dicari maupun ketelitian parameternya
adalah: l = A x + w -> x = A-1 (l - w)
Dimana A adalah full rank dan n = u.
Disini tidak diperlukan perataan daripengukuran karena jumlah pengukuran, n,
sama dengan jumlah parameter, u (situasi ini jarang dijumpai didalam
pengukuran didalam Geomatika).
Bagaimana dengan perambatan kesalahan (uncertainties): Cl -> Cx ?
(baca: bagaimana menentukan ketelitian parameter, Cx dari ketelitian
pengukuran, Cl ?)

HUKUM KOVARIANS (COVARIANCE LAW)

Dari rumusan matematika untuk ekspektasi:

Ex  x  x  dx


dimana x adalah variabel random untuk fungsi densitas probabilitas  x 

7
Hukum kovarians lebih dikenal dengan istilah aturan perambatan varian atau
aturan perambatan kovarian.
Jika 
C x  E x  Ex x  ExT 
Cx adalah matrik varian-kovarian dari parameter.
Varian dan Kovarian
Residual : v i  lˆ  l i dimana lˆ adalah pengukuran teratakan
n
Ekspektasi populasi: El   lˆ     li
1
n 1

Sehingga Ev  0

l 
   
Varian =  2  E v 2  E l  lˆ   E l 2  l 2
2

 
 
1
 l  lˆ 
2 2

Atau l   
 n 1 
 
Covariance:

 l 1  lˆ1 l 2  lˆ2 

n

 l1 l 2  E l 1  lˆ1  l 2  lˆ2   i1 n-1

cov x, y   E x  Ex y  Ey 
 Exy  Ex Ey 
Hubungan antar variabel (parameter) dinyatakan dengan:
 l1 l 2
Koefisien korelasi =   ;dimana: 0    1
 l1  l 2

Matrik Covariance

8
Matrik kovarian juga sering disebut dengan matrik varian atau matrik varian-
 
kovarian. Jika C l  E l 1  lˆ1 l 2  lˆ2 dalam bentuk matrik 
  l1  lˆ1  
 
E 2

l  lˆ2 
 
 ˆ
 l1  l1 l 2  lˆ2  ln  ln 
ˆ


 
  l n  lˆn  
 E v2

  Ev1 v 2   Ev 1 v n 

 
1

 E Ev 2 v1  E v 2
 2
  

     
Ev n v1    E vn 2 
 
 2  l1  l 2   l1  ln 
 l1
   2l   l2  ln 
C l   l 2 l1 2 
     
      2l 
 ln l 1 n 
Pada umumnya pengukuran tidak berkorelasi, karena itu  li l j  0 , sehingga:

2 0 
 l1
 2 
Cl   l2 
 
 2 
 0  
 ln 

jika semua pengukuran memiliki standar deviasi yang sama (0) maka:
Cl  2 I
0

Matrik Varian/kovarian untuk model indirect (matrik varian untuk

parameter)
Untuk model indirect dimana Ax + w = l, maka : x = A-1 (l - w), sehingga
ekspektasi dari x adalah:
 
Ex  E A 1l  A 1w  A 1El   A 1w
Sedangkan:
x  Ex  A 1l  A 1w  A 1El   A 1w
 A 1l  A 1El 
 A 1 l  El 
Sehingga:

9
C x  E 

A 1
l  El  A 1
l  El 
T 


 E 

A 1 l  El  l  El T A 1 T 


 A 1 E  l  El  l  El T  A  1 T

Cx  A 1 C l A 1   T

Matrik Varian/kovarian untuk Model Implicit (matrik varian untuk

parameter)
Untuk model indirect dimana Ax + B l + w = 0, sehingga:
A 1 Ax  A 1Bl  A 1w  0
x   A 1Bl  A 1w


Ex  E  A 1Bl  A 1w 
  A 1B El   A 1w

x  Ex    A 1Bl  A 1w  A 1B El   A 1w

 A 1B El   A 1Bl
 A 1B El   l 
Sehingga matrik varian/kovarian parameter menjadi

C x  E 

A 1
B E l   l   A 1
B E l   l  T 


 E 

A 1B  l  E l   l  E l T A B 1 T 


 A 1B E  l  E l  l  E l T  A B 1 T

 A 1B C l A B 1 T

 A 1 B C l B  A 
T 1 T

RINGKASAN
Dalil Perambatan Varian:
1. Model Direct
x  Gl  w
Cx  G Cl G T

2. Model Indirect
l  A x  w , A matrik bujur sangkar, non-simetris

10
 A 1l  A 1 Ax  A 1w
sehingga: x  A 1l  A 1w , w adalah non-stokastik
Cx  A C A 
1
l
1 T

Model Implicit
Ax  Bl  w  0 , A adalah (m x m) dan simetris

A 1 A  A 1B l  A 1 w  0
Sehingga: x   A 1B l  A 1 w

C x  A 1 B C l BT  A 
T 1 T

Start

EXPLICIT In x NO NO
NO LINEAR- NON LINIER
x=g(l) or LINIEAR?
IZEABLE? SOLUTION
x=Gl + w? INDIRECT
OR
IMPLICIT YES
YES
YES LINEARIZE
DIRECT

UNIQUE SOLUTION
EVALUATE x

EXPLICIT CONVERT IMPLICIT

NO
in l TO
l = Ax + w? EXPLICIT FORM

YES

YES
u = n?
u<n

u>n

UNDERDETERMINED OVERDETERMINED SOLUTION:

UNIQUE SOLUTION: u = n
SOLUTION: u > n u<n

RANK A < u RANK A < n < u RANK A <u<n

RANK A = u RANK A =n<u RANK A =u<n
SINGULAR SINGULAR SINGULAR

CASE 1 CASE 2 CASE 3 CASE 4 CASE 5 CASE 6

11
Bentuk Umum Dalil Perambatan Varians

Linier: y = A x Cy = G Cx GT
Non-linier: y = f (x) Cy = J Cx JT
Dimana J adalah Jacobian matrik dari turunan parsial (df/dx):
Kasus khusu untuk 1 persamaan dengan n buah parameter & diagonal Cx:
y2 = (df/dx1)2 x12 + (df/dx2)2 x22 + …..(df/dxn)2 xn2
 2
 0 
Contoh: z = a1 x + a2 y, dengan Cx =  x
 0  2y 


 2z  a1 a 2  C x a1 a 2 T
 2z  a12  2x  a 22  2y  2a1a 2  xy

tetapi xy = 0 ; sehingga:

 2z  a12  2x  a 22  2y

12